基于轴承故障诊断模型的诊断方法、装置、电子设备与流程

1.本技术涉及机械故障诊断技术领域，特别涉及一种基于轴承故障诊断模型的诊断方法、装置、电子设备。


背景技术：

2.滚动轴承作为重要的机械零件被广泛应用于各种类型的工业设备。滚动轴承的内圈、外圈、滚动体等关键部件故障时会严重影响生产精度和生产效率，甚至引发安全事故。对轴承工作状态进行健康状态监测，及时发现轴承故障并进行有效定位，对轴承日常维护、提高生产质量、效益和生产安全具有重要意义。轴承故障诊断是通过采集轴承的振动信号或声发射信号等，从信号中提取轴承不同状态的特征量，通过智能分类器实现故障识别。
3.现有的滚动轴承故障诊断方法主要包含特征提取和分类这两个步骤。常用的特征提取方法有小波变换(wt)、经验模态分解(emd)、局部均值分解(lmd)和变分模态分解(vmd)等；分类方法有人工神经网络(ann)、反向传播神经网络(bpnn)和支持向量机(svm)等。轴承振动信号的特征提取结果严重影响支持向量机的分类效果，然而，变分模态分解算法中分解参数的选择对算法结果影响很大，但准确选择分解参数是困难的，影响轴承故障诊断的准确率。


技术实现要素：

4.本技术实施例的主要目的在于提出一种基于轴承故障诊断模型的诊断方法、装置、电子设备，旨在提高轴承故障关键特征提取的有效性，从而提高故障诊断的准确率和稳定性。
5.为实现上述目的，本技术实施例的第一方面提出了一种基于轴承故障诊断模型的诊断方法，所述方法包括：
6.采集轴承振动的检测数据集，得到轴承状态目标数据集；
7.根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；
8.根据所述第一分解优化参数，将所述轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；
9.采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据；
10.将所述轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。
11.在一些实施例，所述根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数，包括：
12.初始化樽海鞘群，将每个樽海鞘的位置设置随机的分解参数；其中，所述分解参数包括分解数量和惩罚因子；
13.将所述樽海鞘的位置作为分解参数，对所述轴承振动数据集进行变分模态分解，得到若干个第二固有模态分量；
14.以相邻两个所述第二固有模态分量为一组，分别计算每组所述第二固有模态分量的互信息，并根据所述互信息，确定所述樽海鞘的适应度数据；
15.根据所述适应度数据，更新所述樽海鞘群并确定食物位置；
16.根据更新后的所述樽海鞘群重新进行变分模态分解优化，更新所述食物位置，直到满足迭代终止条件；
17.当满足迭代终止条件，将所述樽海鞘群的食物位置作为所述第一分解优化参数。
18.在一些实施例，所述以相邻两个所述第二固有模态分量为一组，分别计算每组所述第二固有模态分量的互信息，并根据所述互信息，确定所述樽海鞘的适应度数据，包括：
19.以相邻两个所述第二固有模态分量为一组，并对同一组的两个所述第二固有模态分量进行联合分布变换，计算得到联合概率和两个边缘概率；
20.根据所述联合概率和所述边缘概率，计算得到两个所述第二固有模态分量的互信息；
21.根据所述互信息和所述轴承振动数据集，通过适应度函数确定所述樽海鞘的适应度数据。
22.在一些实施例，所述根据所述互信息和所述轴承振动数据集，通过适应度函数确定所述樽海鞘的适应度数据，包括：
23.根据所有相邻两个所述第二固有模态分量的互信息之和、所有所述第二固有模态分量与所述轴承振动数据集的互信息之和，通过适应度函数确定所述樽海鞘的适应度数据。
24.在一些实施例，所述根据更新后的所述樽海鞘群重新进行变分模态分解优化，更新所述食物位置，包括：
25.获取当前迭代中所述樽海鞘群的最小适应度数据，当当前迭代中的所述最小适应度数据小于上一迭代的所述最小适应度数据，则将当前迭代中所述樽海鞘群的最小适应度数据对应的该所述樽海鞘的位置更新设置为下一迭代的食物位置。
26.在一些实施例，所述采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据，包括：
27.根据预设的嵌入维度对所述第一固有模态分量进行序列划分，得到若干个子序列；
28.对所述子序列进行符号模式划分，得到若干个模式序列；
29.根据所述模式序列的频率，得到每一所述第一固有模态分量的轴承特征数据。
30.在一些实施例，所述轴承故障诊断模型根据以下步骤训练得到的：
31.采集轴承振动的标准数据集，得到轴承状态样本数据集；
32.根据所述轴承状态样本数据集，采用预设的樽海鞘群算法对变分模态分解模型的分解参数进行优化，得到第二分解优化参数；
33.根据所述第二分解优化参数，将所述轴承状态样本数据集输入至变分模态分解模型进行分解，得到至少两个第三固有模态分量；
34.采用预设的斜率熵方法对每一所述第三固有模态分量进行特征提取，得到每一所
述第三固有模态分量的轴承样本数据；
35.将所述轴承样本数据对预设的原始轴承故障诊断模型进行训练，得到训练后的轴承故障诊断模型。
36.为实现上述目的，本技术实施例的第二方面提出了一种基于轴承故障诊断模型的诊断装置，所述装置包括：
37.采集单元，用于采集轴承振动的检测数据集，得到轴承状态目标数据集；
38.优化单元，用于根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；
39.分解单元，用于根据所述第一分解优化参数，将所述轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；
40.特征提取单元，用于采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据；
41.分类单元，用于将所述轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。
42.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
43.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
44.本技术提出的基于轴承故障诊断模型的诊断方法、装置、电子设备,其通过采集轴承振动的检测数据集，得到轴承状态目标数据集，根据轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到对应于改轴承状态目标数据集的第一分解优化参数，根据第一分解优化参数，将轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量，采用预设的斜率熵方法对每一第一固有模态分量进行特征提取，得到每一第一固有模态分量的轴承特征数据；将轴承特征数据输入至轴承故障诊断模型进行诊断识别，得到轴承故障类型，本技术在提取轴承特征数据之前先通过优化变分模态分解模型中的分解参数，能够提高关键的轴承特征数据提取的有效性，提高轴承故障诊断模型对轴承特征数据故障诊断的准确率和稳定性。
附图说明
45.图1是本技术实施例提供的基于轴承故障诊断模型的诊断方法的流程图；
46.图2是图1中的步骤s102的流程图；
47.图3是图1中的步骤s203的流程图；
48.图4是图3中的步骤s303的流程图；
49.图5是图3中的步骤s205的流程图；
50.图6是图5中的步骤s104的流程图；
51.图7是本技术另一实施例提供的基于轴承故障诊断模型的诊断方法的流程图；
52.图8是本技术实施例提供的基于轴承故障诊断模型的诊断装置的结构示意图；
53.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
54.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
55.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
56.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
57.首先，对本技术中涉及的若干名词进行解析：
58.变分模态分解(variational mode decomposition，vmd)：在信号处理中，变分模态分解是一种信号分解估计方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。变分模态分解的整体框架是变分问题，使得每个模态的估计带宽之和最小，其中假设每个“模态”是具有不同中心频率的有限带宽，为解决这一变分问题，采用了交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态即相应的中心频率被一同提取出来。vmd的目标是将实值输入信号分解成离散数量的子信号，这些子信号在再现输入信号时具有特定的稀疏性。稀疏性体现在谱域的带宽上。换言之，假设每个子信号主要围绕中心频率，该中心频率将随分解而确定。
59.支持向量机(support vector machine,svm)：是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。svm使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。svm可以通过核方法进行非线性分类，是常见的核学习方法之一。
60.樽海鞘群算法(salp swarm algorithm，ssa)：是模拟海底生物樽海鞘在觅食过程中呈链状向食物方向靠近行为的一种群智能算法。因其具有参数少、全局搜索能力强、自组织、便于与其他算法相结合等优点，樽海鞘群算法已在工业优化、参数辨识等诸多领域中得到了广泛应用。
61.基于此，本技术实施例提供了一种基于轴承故障诊断模型的诊断方法、装置、电子设备，旨在提高轴承故障关键特征提取的有效性，从而提高故障诊断的准确率和稳定性。
62.本技术实施例提供的基于轴承故障诊断模型的诊断方法、装置、电子设备，具体通过如下实施例进行说明，首先描述本技术实施例中的诊断方法。
63.图1是本技术实施例提供的基于轴承故障诊断模型的诊断方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s105。
64.步骤s101，采集轴承振动的检测数据集，得到轴承状态目标数据集；
65.步骤s102，根据轴承状态目标数据集对预设的变分模态分解模型的分解参数进行
优化，得到第一分解优化参数；
66.步骤s103，根据第一分解优化参数，将轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；
67.步骤s104，采用预设的斜率熵方法对每一第一固有模态分量进行特征提取，得到每一第一固有模态分量的轴承特征数据；
68.步骤s105，将轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。
69.本技术实施例所示意的步骤s101至步骤s105，通过采集轴承振动的检测数据集，得到轴承状态目标数据集，根据轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到对应于改轴承状态目标数据集的第一分解优化参数，根据第一分解优化参数，将轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量，采用预设的斜率熵方法对每一第一固有模态分量进行特征提取，得到每一第一固有模态分量的轴承特征数据；将轴承特征数据输入至轴承故障诊断模型进行诊断识别，得到轴承故障类型，本技术在提取轴承特征数据之前先通过优化变分模态分解模型中的分解参数，能够提高关键的轴承特征数据提取的有效性，提高轴承故障诊断模型对轴承特征数据故障诊断的准确率和稳定性。
70.在一些实施例的步骤s103中，本技术采用变分模态分解(vmd)模型对步骤s101获取的轴承状态目标数据集进行降噪及信号的平滑处理。变分模态分解能将非平稳、非线性的轴承序列有效分解为具有一定规律的本征模态分量，同时变分模态分解能分解出贯穿整个时域的分量，保证了主要变化趋势的分离，最终实现去噪、平滑处理的效果。其具体原理如下：vmd把轴承序列数据分解为一系列具有特定带宽的固有模态分量(intrinsic mode function，imf)，且各imf中心频率的估计带宽之和最小；同时，分解的约束条件为所有imf之和与原始信号(即原始的轴承状态目标数据集)相等。则其约束变分表达式如下：
[0071][0072]
其中，{uk}＝{u1,u2,...,uk}为分解后的k个固有模态分量，{ωk}＝{ω1,ω2,...,ωk}为各固有模态分量的中心频率；f(t)为步骤s101中获取的轴承状态目标数据集。此外，为梯度运算，δ(t)为单位冲激函数，*为卷积运算，
║║
为范数。
[0073]
引入惩罚因子和拉格朗日乘法算子，将上述的约束变分问题转变为非约束变分问题进行求解，则对应的方程为：
[0074][0075]
其中，《》为内积运算。
[0076]
采用交替方向乘子迭代算法(admm)求解该非约束变分问题，确定vmd分解后的k个固有模态分量。首先，假定一组为uk已知条件，计算中心频率ωk使得上式l({uk},{ωk},λ)
最小；随后，将更新后的中心频率ωk作为已知条件，计算模态函数使得上式l({uk},{ωk},λ)最小。按照以上方式不断更新uk和ωk，直至算法收敛或终止。最终，确定了uk和ωk的最优值，即得到k个固有模态分量uk，完成vmd分解过程。
[0077]
请参阅图2，在一些实施例中，步骤s102可以包括但不限于包括步骤s201至步骤s206：
[0078]
步骤s201，初始化樽海鞘群，将每个樽海鞘的位置设置随机的分解参数；其中，分解参数包括分解数量和惩罚因子；
[0079]
步骤s202，将樽海鞘的位置作为分解参数，对轴承振动数据集进行变分模态分解，得到若干个第二固有模态分量；
[0080]
步骤s203，以相邻两个第二固有模态分量为一组，分别计算每组第二固有模态分量的互信息，并根据互信息，确定樽海鞘的适应度数据；
[0081]
步骤s204，根据适应度数据，更新樽海鞘群并确定食物位置；
[0082]
步骤s205，根据更新后的樽海鞘群重新进行变分模态分解优化，更新食物位置，直到满足迭代终止条件；
[0083]
步骤s206，当满足迭代终止条件，将樽海鞘群的食物位置作为第一分解优化参数。
[0084]
在步骤s103的vmd分解过程中，分解数量k和惩罚因子α需要在分解前设定，且其参数极大影响vmd分解轴承故障信号的效果。因此，本发明采用樽海鞘群算法(ssa)来寻找最优的k和α。
[0085]
在一些实施例的步骤s204中，将樽海鞘群中的每个樽海鞘按照适应度数据从小到大进行排序，将排在首位的樽海鞘命为领导者，剩余的樽海鞘命为追随者，并将适应度数据最小的樽海鞘所处的空间位置定义为当前的食物位置。
[0086]
在一些实施例的步骤s205中，在每个樽海鞘位置下用vmd方法分解轴承振动数据，计算适应度数据kci并将其与最小适应度数据kci
min
比较。若更优，则更新食物的位置为最小适应度数据的樽海鞘位置。
[0087]
在一些实施例的步骤s206中，迭代更新，直到达到一定迭代次数或适应度值达到门限时，输出当前食物位置。即得到变分模态分解模型的分解参数中分解数量k和惩罚因子α的最优估计，用于步骤s102的变分模态分解模型的分解过程。
[0088]
请参阅图3，在一些实施例中，步骤s203可以包括但不限于包括步骤s301至步骤s303：
[0089]
步骤s301，以相邻两个第二固有模态分量为一组，并对同一组的两个第二固有模态分量进行联合分布变换，计算得到联合概率和两个边缘概率；
[0090]
步骤s302，根据联合概率和边缘概率，计算得到两个第二固有模态分量的互信息；
[0091]
步骤s303，根据互信息和轴承振动数据集，通过适应度函数确定樽海鞘的适应度数据。
[0092]
利用樽海鞘群算法优化变分模态分解模型的分解参数时，需要确定一个适应度函数来对变分模态分解模型的分解效果进行评价。当当模态分量间的互信息越大时，它们拥有的共同信息含量越多(即依赖程度越高)。若互信息为0时表示两个分量相互独立(即不会发生模态混叠现象)，说明变分模态分解模型分解效果好。因此，本发明采用基于核估计的互信息方法来判断模态分量之间的依赖程度。
[0093]
在一些实施例的步骤s301中，以相邻两个第二固有模态分量u1和u2为一组(设zi＝{u1(i),u2(i)}，i＝1,2,...,n(n为第二固有模态分量的数据长度))。首先对两个分量进行联合分布copula变换，将两个分量数据转换到[0,1]区间上。随后采用高斯核计算两分量的边缘概率和联合概率分配，此处的联合概率分布p(z)近似为：
[0094][0095]
其中，g为双变量标准正态密度，h为内核高度。
[0096]
在一些实施例的步骤s302中，根据联合概率和边缘概率，计算得到两个第二固有模态分量的互信息，其中互信息结果的公式为：
[0097][0098]
其中，p(u1)、p(u2)为p(z)的边缘概率。当kemi(u1,u2)较大时，说明两个分量之间存在较强的依赖性；若模态分量之间的互信息kemi(u1,u2)为最小时，能够有效抑制模态分量的混叠问题。
[0099]
请参阅图4，在一些实施例中，步骤s303可以包括但不限于包括步骤s401至步骤步骤s403：
[0100]
步骤s401，根据第二固有模态分量与轴承振动数据集，计算得到第二互信息；
[0101]
步骤s402，根据第一互信息和第二互信息，通过适应度函数确定樽海鞘的适应度数据。
[0102]
在一些实施例的步骤s402中，若模态分量之间的互信息为最小时，能够有效抑制模态分量的混叠问题；同时，所有模态分量和原始信号之间的互信息之和为最大时，能够避免分解过程中有用信息丢失的情况。基于此，本发明建立了关于相邻两个第二固有模态分量的第一互信息之和、所有第二固有模态分量与轴承振动数据集的第二互信息之和的适应度函数，通过适应度函数计算得到的适应度数据用于评价变分模态分解模型的分解效果。该适应度函数计算公式如下：
[0103][0104]
当kci最小时，对应的变分模态分解模型的分解参数k和α为最优值。
[0105]
请参阅图5，在一些实施例中，步骤s205还可以包括但不限于包括步骤s501至步骤s502：
[0106]
步骤s501，获取当前迭代中樽海鞘群的最小适应度数据；
[0107]
步骤s502,当当前迭代中的最小适应度数据小于上一迭代的最小适应度数据，则将当前迭代中樽海鞘群的最小适应度数据对应的该樽海鞘的位置更新设置为下一迭代的食物位置。
[0108]
在一些实施例的步骤s501中，
[0109]
按照以下公式更新领导者的空间位置：
[0110][0111]
其中，x
dl
表示在第d维空间中更新后领导者的空间位置，fd表示在第d维空间中食物位置，c1表示收敛因子，其中，
[0112]
l和l分别表示当前迭代次数和最大迭代次数，和分别表示相应维度空间的上界和下界，c2和c3为[0，1]的随机数；
[0113]
按照以下公式更新追随者的空间位置：
[0114][0115]
其中，表示第d维空间中更新后追随者的空间位置。
[0116]
在一些实施例的步骤s502中，计算更新后樽海鞘的适应度值，并与更新前的食物位置的适应度值进行比较，当更新后樽海鞘的适应度值小于更新前的食物位置的适应度值，则将该樽海鞘的位置更新设置为新的食物位置。
[0117]
在另一些实施例中，步骤s205还可以包括但不限于包括步骤s503：
[0118]
步骤s503，当当前迭代中的最小适应度数据大于或者等于上一迭代的最小适应度数据，则食物位置不发生变化。
[0119]
请参阅图6，在一些实施例，步骤s104包括但不限于包括步骤s601至步骤s603：
[0120]
步骤s601，根据预设的嵌入维度对第一固有模态分量进行序列划分，得到若干个子序列；
[0121]
步骤s602，对子序列进行符号模式划分，得到若干个模式序列；
[0122]
步骤s603：根据模式序列的频率，得到每一第一固有模态分量的轴承特征数据。
[0123]
本技术中步骤s104采用斜率熵(sloe)方法分别提取步骤s103分解后第一固有模态分量的关键信息，作为轴承故障诊断模型中的轴承故障分类器的输入特征，以提高轴承故障诊断的性能。斜率熵用于估计时间序列的复杂性特征，其通过第一固有模态分量的振动幅度和五个符号模式进行处理和计算。每个符号模式根据输入第一固有模态分量振动幅度间的差值进行分配。
[0124]
在一些实施例的步骤s601中，对于第一固有模态分量i＝{x1,x2,...,xn}(n为该序列长度)，根据嵌入维度s，提取第一固有模态分量i的k个子序列，即
[0125]
i1＝{x1,x2,...,xs},i2＝{x2,x3,...,x
s+1
},...,ik＝{xk,x
k+1
,...,xn}，其中k＝n-s+1；
[0126]
在一些实施例的步骤s602中，通过两个阈值参数γ和δ(γ》δ》0)划分五个符号模式(+2,+1,0,-1,-2)，其具体的分布原则如下：
[0127]
①
若x
i+1-xi》γ，符号为+2；
[0128]
②
若δ《x
i+1-xi≤γ，符号为+1；
[0129]
③
若x
i+1-xi≤δ，符号为0；
[0130]
④
若-γ≤x
i+1-xi《-δ，符号为-1；
[0131]
⑤
若x
i+1-xi《-γ，符号为-2。
[0132]
符号分配完成后，得到k个符号序列：
[0133]
m1＝{m1,m2,...,m
s-1
},m2＝{m2,m3,...,ms},...,mk＝{mk,m
k+1
,...,m
n-1
}；
[0134]
其中，k＝n-s+1；m1,m2,...,m
n-1
是通过x
2-x1,x
3-x2,...,x
n-x
n-1
得到的符号模式(+2,+1,0,-1,-2)。由于符号模式数量为5，其模式序列的所有类型为j＝5
s-1
。当s＝3时，最多有25种mk({-2,-2},{-2,-1},..,{0,0},{0,1},..,{2,1},{2,2})。
[0135]
在一些实施例的步骤s603中，计算各种模式序列r1,r2,...,rj的频率：
[0136][0137]
根据每种模式序列的频率，基于经典香农熵通过以下公式计算每一第一固有模态分量的轴承特征数据，其中轴承特征数据为斜率熵值：
[0138][0139]
请参阅图7，在一些实施例中，步骤s105中的轴承故障诊断模型根据以下步骤训练得到的，具体为轴承故障诊断模型的轴承故障分类器(svm)的训练方法可以包括但不限于包括步骤s701至步骤s703：
[0140]
步骤s701，采集轴承振动的标准数据集，得到轴承状态样本数据集；
[0141]
步骤s702，根据轴承状态样本数据集，采用预设的樽海鞘群算法对变分模态分解模型的分解参数进行优化，得到第二分解优化参数；
[0142]
步骤s703，根据第二分解优化参数，将轴承状态样本数据集输入至变分模态分解模型进行分解，得到至少两个第三固有模态分量；
[0143]
步骤s704，采用预设的斜率熵方法对每一第三固有模态分量进行特征提取，得到每一第三固有模态分量的轴承样本数据；
[0144]
步骤s705，将轴承样本数据对预设的原始轴承故障诊断模型进行训练，得到训练后的轴承故障诊断模型。
[0145]
在一些实施例的步骤s701中，标准数据集来自美国凯斯西储大学的标准数据集，该数据包括相同负载情况下4种轴承状态的振动数据，分别为正常状态(nr)、内圈故障(ir)、外圈故障(or)和滚动体故障(br)。在本技术实施例中，每种状态采集50组信号样本数据，共200组样本数据，在此不做限定。
[0146]
在一些实施例的步骤s705中，具体为对轴承故障诊断模型中的轴承故障分类器进行训练，得到每一第三固有模态分量的轴承样本数据后，按照预先已知的轴承状态，将轴承样本数据h1,h2,...,hk划分为轴承正常状态的特征内圈故障的特征外圈故障的特征和滚动体故障的特征
[0147]
svm的基本思想是将低维的非线性数据样本(即f
nr
、f
ir
、f
or
和f
br
)映射至高维线性空间，通过求解可以正确划分训练数据集(即轴承正常工作状态、内圈故障、外圈故障和滚动体故障序列数据)并且具有最大几何间隔的分离超平面，从而实现故障分类。
[0148]
此处，将步骤704的轴承样本数据随机均分为训练样本特征集i＝random(1,50)和测试样本特征集j＝random(1,50)，采用训练样本特征集对svm轴承故障分类器进行训练，再利用训练完成的svm轴承故障分类器对测试样本集进行故障识别，最终实现轴承智能故障诊断。
[0149]
本技术实施例首先通过变分模态分解模型分解轴承状态目标数据集，并采用樽海鞘群算法对其分解参数进行优化。随后，提取变分模态分解模型分解的第一固有模态分量的斜率熵，并将其输入到轴承故障分类器中进行故障诊断。本发明很好地解决了难以从非平稳、非线性信号中提取故障关键信息的问题，有效提高了故障诊断方法的识别精度和稳定性。
[0150]
请参阅图8，本技术实施例还提供一种基于轴承故障诊断模型的诊断装置，可以实现上述基于轴承故障诊断模型的诊断方法，该装置包括：
[0151]
采集单元，用于采集轴承振动的检测数据集，得到轴承状态目标数据集；
[0152]
优化单元，用于根据轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；
[0153]
分解单元，用于根据第一分解优化参数，将轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；
[0154]
特征提取单元，用于采用预设的斜率熵方法对每一第一固有模态分量进行特征提取，得到每一第一固有模态分量的轴承特征数据；
[0155]
分类单元，用于将轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。
[0156]
该基于轴承故障诊断模型的诊断装置的具体实施方式与上述基于轴承故障诊断模型的诊断方法的具体实施例基本相同，在此不再赘述。
[0157]
本技术实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于轴承故障诊断模型的诊断方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0158]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0159]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0160]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的基于轴承故障诊断模型的诊断方法；
[0161]
输入/输出接口903，用于实现信息输入及输出；
[0162]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0163]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通
可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0174]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0175]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0176]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0177]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0178]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种基于轴承故障诊断模型的诊断方法，其特征在于，所述方法包括：采集轴承振动的检测数据集，得到轴承状态目标数据集；根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；根据所述第一分解优化参数，将所述轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据；将所述轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。2.根据权利要求1所述的方法，其特征在于，所述根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数，包括：初始化樽海鞘群，将每个樽海鞘的位置设置随机的分解参数；其中，所述分解参数包括分解数量和惩罚因子；将所述樽海鞘的位置作为分解参数，对所述轴承振动数据集进行变分模态分解，得到若干个第二固有模态分量；以相邻两个所述第二固有模态分量为一组，分别计算每组所述第二固有模态分量的互信息，并根据所述互信息，确定所述樽海鞘的适应度数据；根据所述适应度数据，更新所述樽海鞘群并确定食物位置；根据更新后的所述樽海鞘群重新进行变分模态分解优化，更新所述食物位置，直到满足迭代终止条件；当满足迭代终止条件，将所述樽海鞘群的食物位置作为所述第一分解优化参数。3.根据权利要求2所述的推荐方法，其特征在于，所述以相邻两个所述第二固有模态分量为一组，分别计算每组所述第二固有模态分量的互信息，并根据所述互信息，确定所述樽海鞘的适应度数据，包括：以相邻两个所述第二固有模态分量为一组，并对同一组的两个所述第二固有模态分量进行联合分布变换，计算得到联合概率和两个边缘概率；根据所述联合概率和所述边缘概率，计算得到两个所述第二固有模态分量的第一互信息；根据所述互信息和所述轴承振动数据集，通过适应度函数确定所述樽海鞘的适应度数据。4.根据权利要求3所述的方法，其特征在于，所述根据所述互信息和所述轴承振动数据集，通过适应度函数确定所述樽海鞘的适应度数据，包括：根据所述第二固有模态分量与所述轴承振动数据集，计算得到第二互信息；根据所述第一互信息和第二互信息，通过适应度函数确定所述樽海鞘的适应度数据。5.根据权利要求4所述的方法，其特征在于，所述根据更新后的所述樽海鞘群重新进行变分模态分解优化，更新所述食物位置，包括：获取当前迭代中所述樽海鞘群的最小适应度数据；当当前迭代中的所述最小适应度数据小于上一迭代的所述最小适应度数据，则将当前
迭代中所述樽海鞘群的最小适应度数据对应的该所述樽海鞘的位置更新设置为下一迭代的食物位置。6.根据权利要求5所述的方法，其特征在于，所述采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据，包括：根据预设的嵌入维度对所述第一固有模态分量进行序列划分，得到若干个子序列；对所述子序列进行符号模式划分，得到若干个模式序列；根据所述模式序列的频率，得到每一所述第一固有模态分量的轴承特征数据。7.根据权利要求1至6任一项所述的方法，其特征在于，所述轴承故障诊断模型根据以下步骤训练得到的：采集轴承振动的标准数据集，得到轴承状态样本数据集；根据所述轴承状态样本数据集，采用预设的樽海鞘群算法对变分模态分解模型的分解参数进行优化，得到第二分解优化参数；根据所述第二分解优化参数，将所述轴承状态样本数据集输入至变分模态分解模型进行分解，得到至少两个第三固有模态分量；采用预设的斜率熵方法对每一所述第三固有模态分量进行特征提取，得到每一所述第三固有模态分量的轴承样本数据；将所述轴承样本数据对预设的轴承故障诊断模型进行训练，得到训练后的轴承故障诊断模型。8.一种基于轴承故障诊断模型的诊断装置，其特征在于，所述装置包括：采集单元，用于采集轴承振动的检测数据集，得到轴承状态目标数据集；优化单元，用于根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；分解单元，用于根据所述第一分解优化参数，将所述轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；特征提取单元，用于采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据；分类单元，用于将所述轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于轴承故障诊断模型的诊断方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于轴承故障诊断模型的诊断方法。

技术总结
本申请实施例提供了一种基于轴承故障诊断模型的诊断方法、装置、电子设备，属于机械故障诊断技术领域。该方法包括：采集轴承振动的检测数据集，得到轴承状态目标数据集；根据轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；根据第一分解优化参数，将轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；采用预设的斜率熵方法对每一第一固有模态分量进行特征提取，得到每一第一固有模态分量的轴承特征数据；将轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。本申请实施例能够提高轴承故障关键特征提取的有效性，从而提高故障诊断的准确率和稳定性。确率和稳定性。确率和稳定性。


技术研发人员：张杰
受保护的技术使用者：华润数字科技有限公司
技术研发日：2023.03.02
技术公布日：2023/7/19